Nghiên cứu phương pháp cải tiến sa thải phụ tải trong hệ thống điện

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LÊ TRỌNG NGHĨA NGHIÊN CỨU PHƯƠNG PHÁP CẢI TIẾN SA THẢI PHỤ TẢI TRONG HỆ THỐNG ĐIỆN LUẬN ÁN TIẾN SĨ NGÀNH: KỸ THUẬT ĐIỆN Tp Hồ Chí Minh, tháng 08/2020 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LÊ TRỌNG NGHĨA NGHIÊN CỨU PHƯƠNG PHÁP CẢI TIẾN SA THẢI PHỤ TẢI TRONG HỆ THỐNG ĐIỆN NGÀNH: KỸ THUẬT ĐIỆN - 9520201 Người hướng dẫn khoa học 1: PGS TS QUYỀN HUY ÁNH Người hướng dẫn khoa học 2: PGS TS PHAN THỊ THANH BÌNH Phản biện 1: Phản biện 2: Phản biện 3: Tp Hồ Chí Minh, tháng 08/2020 LÝ LỊCH CÁ NHÂN I LÝ LỊCH SƠ LƯỢC: Họ & tên: Lê Trọng Nghĩa Giới tính: Nam Ngày, tháng, năm sinh: 22/09/1987 Nơi sinh: Long An Quê quán: Tân An, Long An Dân tộc: Kinh Học vị cao nhất: Thạc sỹ Năm, nước nhận học vị: 2013 Đơn vị công tác: Đại học Sư phạm Kỹ thuật TP Hồ Chí Minh Chỗ riêng địa liên lạc: 109, Ngơ Chí Quốc, Phường Bình Chiểu, Quận Thủ Đức, TP Hồ Chí Minh Điện thoại liên hệ: CQ: +84 28 38960985 DĐ: 0813310460 II QUÁ TRÌNH ĐÀO TẠO: Đại học: Hệ đào tạo: Chính quy Nơi đào tạo: Đại học Sư phạm Kỹ thuật TP Hồ Chí Minh Ngành học: Điện khí hóa & Cung cấp điện Nước đào tạo: Việt Nam Năm tốt nghiệp: 2010 Sau đại học: Thạc sỹ chuyên ngành: Kỹ thuật điện Năm cấp bằng: 2013 Nơi đào tạo: Đại học Sư phạm kỹ thuật TP Hồ Chí Minh Ngoại ngữ: Tiếng Anh: B2 III Q TRÌNH CƠNG TÁC CHUN MƠN Thời gian 10/2010 đến Nơi cơng tác Vai trị Khoa Điện – Điện Tử, trường Đại học Sư phạm Giảng viên kỹ thuật TP Hồ Chí Minh i LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu Các số liệu, kết nêu luận án trung thực chưa công bố cơng trình khác Tp Hồ Chí Minh, ngày 07 tháng năm 2020 Tác giả luận án Lê Trọng Nghĩa ii LỜI CẢM ƠN Tác giả xin bày tỏ lòng biết ơn sâu sắc đến thầy PGS TS Quyền Huy Ánh - Đại học Sư phạm Kỹ thuật Tp HCM cô PGS TS Phan Thị Thanh Bình - Đại học Bách Khoa Tp HCM tận tình hướng dẫn giúp đỡ tơi suốt trình nghiên cứu,thực luận án Tác giả xin chân thành cảm ơn Ban Giám hiệu Trường Đại học Sư phạm Kỹ thuật thành phố Hồ Chí Minh, Phòng Đào tạo - phận quản lý sau đại học, thầy, cô thuộc Khoa Điện – Điện Tử đồng nghiệp trường tạo điều kiện, giúp đỡ tơi q trình thực luận án Cảm ơn gia đình chia sẽ, gánh vác cơng việc để yên tâm nghiên cứu thực luận án Nghiên cứu sinh Lê Trọng Nghĩa iii TÓM TẮT Tần số thông số kỹ thuật quan trọng việc đánh giá chất lượng điện hệ thống điện phải trì giới hạn quy định để đảm bảo hệ thống điện vận hành ổn định Vì vậy, việc trì tần số ổn định giới hạn quy định mục tiêu người thiết kế, vận hành hệ thống điện Trên sở phân tích ảnh hưởng tần số đến hệ thống điện, cơng trình nghiên cứu nước trước đây, thực tế việc sa thải phụ tải áp dụng Việt Nam nay, luận án nghiên cứu đề xuất phương pháp sa thải phụ tải sau: - Nghiên cứu đề xuất phương pháp sa thải phụ tải nhằm khôi phục ổn định tần số hệ thống điện sở nhận dạng có/khơng sa thải phụ tải kết hợp với giải thuật công nghệ tri thức như: AHP mạng nơ-ron Phương pháp sa thải phụ tải đề xuất cho phép nhanh chóng định lựa chọn chiến lược sa thải phụ tải hợp lý hiệu để giữ ổn định tần số hệ thống điện có cố ngắn mạch xảy góp hay đường dây hệ thống điện Bên cạnh đó, phương pháp sa thải phụ tải đề xuất có lượng cơng suất sa thải phụ tải thời gian phục hồi tần số nhanh so với phương pháp sa thải phụ tải truyền thống; - Nghiên cứu đề xuất phương pháp sa thải phụ tải sở áp dụng thuật tốn Fuzzy-AHP để tính tốn hệ số tầm quan trọng phụ tải thực ưu tiên sa thải phụ tải có hệ số tầm quan trọng nhỏ trước Phương pháp sa thải phụ tải đề xuất giúp khôi phục tần số giá trị cho phép giảm thiểu thiệt hại gây cắt điện; - Nghiên cứu đề xuất việc tính tốn lượng cơng suất sa thải phụ tải có xét đến yếu tố điều khiển sơ cấp, điều khiển thứ cấp tổ máy phát điện giúp tối thiểu lượng công suất tải phải sa thải tần số hệ thống khôi phục giá trị phạm vi cho phép; - Nghiên cứu đề xuất việc xác định vị trí tải cần sa thải dựa khái niệm PED, VED máy phát bị cố nút tải giúp khoanh vùng cố nghiêm trọng sa thải phụ tải xung quanh vùng cố làm giảm ảnh hưởng cố tới hệ thống phương án sa thải tải hiệu hơn; iv - Nghiên cứu đề xuất phương pháp phân bố lượng công suất sa thải phụ tải nút có xét đến tiêu chí kinh tế hệ số tầm quan trọng phụ tải, tiêu chí kỹ thuật PED, VED Qua đó, việc sa thải phụ tải thỏa mãn yêu cầu phối hợp nhiều phương pháp kinh tế-kỹ thuật Các phương pháp sa thải phụ tải đề xuất sử dụng công tác huấn luyện điều độ viên hệ thống điện xử lý tình sa thải phụ tải dựa kịch cố hệ thống điện v ABSTRACT Frequency is an important specification in assessing the power quality of the electricity system and must be maintained within permissible limits to ensure the stable operation of the power system Therefore, maintaining frequency stability within the permissible limits is always the goal of designers and operators of electricity system Based on the analysis of the effect of frequency on the electrical system, the previous local and foreign researches, and the fact that load shedding is implemented in today’s Vietnam, this thesis has achieved the following contributions: - Proposing the load shedding method based on the combination of knowledge technology algorithms such as AHP algorithm and artificial neural network It enables quick decisions to select reasonable and effective load shedding strategies to keep the stability of electricity system frequency when the short-circuit incidents are happened on the buses or on the lines of electricity system In addition, the proposed load shedding method has smaller load shedding capacity and faster frequency recovery time than traditional load shedding methods; - Proposing the load shedding method based on the application of the Fuzzy-AHP algorithm helps calculate the importance factor of the load and prioritize the less importance of load shedding The proposed load shedding method enables to restore the frequency to permissible value and minimize potential damages when the load is cut; - Proposing the calculation of the load shedding included in the primary and secondary control factors of the generators will minimize the amount of load shedding and restore system frequency value back to the allowable range; - Proposing the determination of the load location to be shed based on the concept of the electrical phase distance, voltage distance between the faulty generators and the load nodes is able to locate serious incidents The additional load shedding around the fault area reduces the impact of the incident on the system and increase the effectiveness of the load shedding; - Proposing the distribution of the load shedding capacity at the load nodes included the economic criteria such as the importance factor of the load, and the technical criteria such as the electrical phase distance, and the voltage distance aims to assure the requirements of multi-objective constraints vi 20 PQ - 21 PQ - 22 23 PQ PQ - 24 PQ - 25 PQ - 26 PQ - 27 PQ - 28 PQ - 29 PQ 30 31 PV PV 1.0475 0.9820 32 33 34 35 36 37 38 39 PV PV PV PV PV PV PV PV 0.9831 0.9972 1.0123 1.0493 1.0635 1.0278 1.0265 1.0300 628.0 274.0 0.00 247.5 308.6 224.0 139.0 281.0 206.0 283.5 0.00 9.20 103.0 115.0 0.00 84.60 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 -92.00 0.00 0.00 47.20 0.00 0.00 17.00 0.00 0.00 75.50 0.00 0.00 27.60 0.00 0.00 26.90 0.00 0.00 0.00 4.60 250.00 - - 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1104 250.0 650.00 632.00 508.00 650.00 560.00 540.00 830.00 1000.0 - 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 150 350.00 1150.0 750.00 732.00 608.00 750.00 660.00 640.00 930.00 1100.0 Gen10 Gen2 Gen3 Gen4 Gen5 Gen6 Gen7 Gen8 Gen9 Gen1 Bảng PL 3.5: Thông số điện trở RT, điện kháng XT thông số cài đặt đầu phân áp máy biến áp Line Data Transformer Tap R X From Bus To Bus Magnitude Angle 12 11 0.0016 0.0435 1.0060 0.0000 12 13 0.0016 0.0435 1.0060 0.0000 31 0.0000 0.0250 1.0700 0.0000 10 32 0.0000 0.0200 1.0700 0.0000 19 33 0.0007 0.0142 1.0700 0.0000 20 34 0.0009 0.0180 1.0090 0.0000 22 35 0.0000 0.0143 1.0250 0.0000 23 36 0.0005 0.0272 1.0000 0.0000 25 37 0.0006 0.0232 1.0250 0.0000 30 0.0000 0.0181 1.0250 0.0000 29 38 0.0008 0.0156 1.0250 0.0000 19 20 0.0007 0.0138 1.0600 0.0000 Bảng PL 3.6: Thông số điện trở, điện kháng dung dẫn đường dây From To Branch R X B Bus Bus Device Type Line 0.0035 0.0411 0.6987 39 Line 0.0010 0.0250 0.7500 Line 0.0013 0.0151 0.2572 25 Line 0.0070 0.0086 0.1460 30 Transformer 0.0000 0.0181 0.0000 18 Line 0.0011 0.0133 0.2138 Line 0.0013 0.0213 0.2214 14 Line 0.0008 0.0129 0.1382 Line 0.0008 0.0128 0.1342 Line 0.0008 0.0112 0.1476 Line 0.0002 0.0026 0.0434 11 Line 0.0007 0.0082 0.1389 Line 0.0006 0.0092 0.1130 Line 0.0004 0.0046 0.0780 Line 0.0023 0.0363 0.3804 39 Line 0.0010 0.0250 1.2000 10 32 Transformer 0.0000 0.0200 0.0000 10 13 Line 0.0004 0.0043 0.0729 10 11 Line 0.0004 0.0043 0.0729 12 13 Transformer 0.0016 0.0435 0.0000 12 11 Transformer 0.0016 0.0435 0.0000 13 14 Line 0.0009 0.0101 0.1723 14 15 Line 0.0018 0.0217 0.3660 15 16 Line 0.0009 0.0094 0.1710 151 16 16 16 16 17 17 19 19 20 21 22 22 23 23 25 25 26 26 26 28 29 31 24 21 19 17 27 18 33 20 34 22 35 23 36 24 37 26 29 28 27 29 38 Line Line Line Line Line Line Transformer Transformer Transformer Line Transformer Line Transformer Line Transformer Line Line Line Line Line Transformer Transformer 152 0.0003 0.0008 0.0016 0.0007 0.0013 0.0007 0.0007 0.0007 0.0009 0.0008 0.0000 0.0006 0.0005 0.0022 0.0006 0.0032 0.0057 0.0043 0.0014 0.0014 0.0008 0.0000 0.0059 0.0135 0.0195 0.0089 0.0173 0.0082 0.0142 0.0138 0.0180 0.0140 0.0143 0.0096 0.0272 0.0350 0.0232 0.0323 0.0625 0.0474 0.0147 0.0151 0.0156 0.0250 0.0680 0.2548 0.3040 0.1342 0.3216 0.1319 0.0000 0.0000 0.0000 0.2565 0.0000 0.1846 0.0000 0.3610 0.0000 0.5130 1.0290 0.7802 0.2396 0.2490 0.0000 0.0000 PHỤ LỤC 4: Code chương trình Phụ lục 4.1: Chương trình huấn luyện kết hợp so sánh neural phương pháp lan truyền ngược thuật toán với mạng hồi qui %========== Xoa cac du lieu cu va load du lieu moi lai ==================== clc,clear; CP=0; while max(CP) < 90 clc,clear; load Tonghop_dulieu_Nghia_1; % Tron du lieu =========================================================== M =dulieu; r = randperm(size(M,1)); % permute row numbers Mout = M(r,:); X = (Mout(:,1:104)); Y = (Mout(:,105:109)); % =========================================================== ============= [n, m] = size(X); n_test=floor(0.15*n); % 15% test n_train=n - n_test; % 85% train j=0; % train nhieu so bien khac for l=10:10:104 X1=[];X2=[]; train_X2= [ ]; test_X2= [ ]; train_Y2= [ ]; test_Y2= [ ]; C=0;D=0; X1 = X(:,1:l); X2=zscore(X1); %chuan hoa % tách du lieu ngõ vào, thành phan test train train_X2 = transpose(X2(1:n_train,:)); % ngõ vào train test_X2 = transpose(X2((n_train+1):n,:)); % ngõ vào test train_Y2 = transpose(Y(1:n_train,:)); % ngõ train test_Y2 = transpose(Y((n_train+1):n,:)); % ngõ test 153 % huan luyen GRNN voi he so speard 0.1 grnn = newgrnn(train_X2, train_Y2, 0.1); % lay du dieu ngo ung voi du lieu ngo vao phan train va test su dung ham % grnn vua moi huan luyen test_K =round( sim(grnn, train_X2)); test_P =round( sim(grnn, test_X2)); if j == % TÍNH DO CHÍNH XÁC TEST for k=1:1:n_test if(test_Y2(1,k)==test_P(1,k))&(test_Y2(2,k)==test_P(2,k))& (test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& (test_Y2(5,k)==test_P(5,k)) C=C+1; end; end; CP = (C*100)/n_test; % TÍNH DO CHÍNH XÁC TRAIN for k=1:1:n_train if (train_Y2(1,k)==test_K(1,k)) & (train_Y2(2,k)==test_K(2,k))& (train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& (train_Y2(5,k)==test_K(5,k)) D=D+1; end; end; CK = (D*100)/n_train; else % TÍNH DO CHÍNH XÁC TEST for k=1:1:n_test if(test_Y2(1,k)==test_P(1,k))&(test_Y2(2,k)==test_P(2,k))& (test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& (test_Y2(5,k)==test_P(5,k)) C=C+1; end; end; CP1 = (C*100)/n_test; % TÍNH DO CHÍNH XÁC TRAIN for k=1:1:n_train if (train_Y2(1,k)==test_K(1,k)) & (train_Y2(2,k)==test_K(2,k))& (train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& (train_Y2(5,k)==test_K(5,k)) D=D+1; 154 end; end; CK1 = (D*100)/n_train; CP = [CP,CP1]; % tong hop chinh xac testing cac bien khac CK = [CK,CK1]; % tong hop chinh xac trainning cac bien khac end; j = j + 1; end; end; % ve thi kiem tra chinh xac ung voi nhieu muc bien khac z=10:10:m; % thi test plot(z, CP, '-or'); hold on % thi train plot(z, CK, '-^r'); %========================================================== =========================================================== =========================================================== ==================== % INITIALIZE THE NEURAL NETWORK PROBLEM %================================== clc,clear load('Tonghop_dulieu_Nghia_1'); % inputs for the neural net % targets for the neural net % Tron du lieu =========================================================== = M =dulieu; r = randperm(size(M,1)); % permute row numbers Mout = M(r,:); X = (Mout(:,1:104)); Y = (Mout(:,105:109)); % =========================================================== ============== [n, m] = size(X); n_test=floor(0.15*n); % 15% test n_train=n - n_test; % 85% train j=0; 155 % train nhieu so bien khac %========================================================== ================ for l= 10:10:m for nh=8 X1=[];X2=[]; train_X2= [ ]; test_X2= [ ]; train_Y2= [ ]; test_Y2= [ ]; C=0;D=0; X1 = X(:,1:l); X2=zscore(X1); %code chuan hoa % tách du lieu ngõ vào, thành phan test train train_X2 = transpose(X2(1:n_train,:)); % ngõ vào train test_X2 = transpose(X2((n_train+1):n,:)); % ngõ vào test train_Y2 = transpose(Y(1:n_train,:)); % ngõ train test_Y2 = transpose(Y((n_train+1):n,:)); % ngõ test % huan luyen BPNN voi he so speard 0.1 bpnn=newff(train_X2,train_Y2,[nh],{'tansig','purelin'},'trainlm'); [bpnn,tr] = train(bpnn,train_X2,train_Y2); % lay du dieu ngo ung voi du lieu ngo vao phan train va test su dung ham % grnn vua moi huan luyen test_K =round( sim(bpnn, train_X2)); test_P =round( sim(bpnn, test_X2)); if j == % TÍNH DO CHÍNH XÁC TEST for k=1:1:n_test if(test_Y2(1,k)==test_P(1,k))&(test_Y2(2,k)==test_P(2,k))& (test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& (test_Y2(5,k)==test_P(5,k)) C=C+1; end; end; CP_1 = (C*100)/n_test; % TÍNH DO CHÍNH XÁC TRAIN for k=1:1:n_train if (train_Y2(1,k)==test_K(1,k)) & (train_Y2(2,k)==test_K(2,k))& (train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& (train_Y2(5,k)==test_K(5,k)) D=D+1; end; 156 end; CK_1 = (D*100)/n_train; else % TÍNH DO CHÍNH XÁC TEST for k=1:1:n_test if(test_Y2(1,k)==test_P(1,k))&(test_Y2(2,k)==test_P(2,k))& (test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& (test_Y2(5,k)==test_P(5,k)) C=C+1; end; end; CP1_1 = (C*100)/n_test; % TÍNH DO CHÍNH XÁC TRAIN for k=1:1:n_train if (train_Y2(1,k)==test_K(1,k)) & (train_Y2(2,k)==test_K(2,k))& (train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& (train_Y2(5,k)==test_K(5,k)) D=D+1; end; end; CK1_1 = (D*100)/n_train; CP_1 = [CP_1,CP1_1]; % tong hop chinh xac testing cac bien khac CK_1 = [CK_1,CK1_1]; % tong hop chinh xac trainning cac bien khac end; j = j + 1; end; end; % ve thi kiem tra chinh xac ung voi nhieu muc bien khac z=10:10:m; % thi test plot(z, CP_1, '-ok'); hold on % thi train plot(z, CK_1, '-^k'); %========================================================== =========================================================== ========= % INITIALIZE THE NEURAL NETWORK PROBLEM %================================== clc,clear load('Tonghop_dulieu_Nghia_1'); % inputs for the neural net 157 % targets for the neural net % Tron du lieu =========================================================== = M =dulieu; r = randperm(size(M,1)); % permute row numbers Mout = M(r,:); X = (Mout(:,1:104)); Y = (Mout(:,105:109)); % =========================================================== ============== [n, m] = size(X); n_test=floor(0.15*n); % 15% test n_train=n - n_test; % 85% train j=0; % train nhieu so bien khac %========================================================== ================ for l= 10:10:m for nh=8 X1=[];X2=[]; train_X2= [ ]; test_X2= [ ]; train_Y2= [ ]; test_Y2= [ ]; C=0;D=0; X1 = X(:,1:l); X2=zscore(X1); %chuan hoa % tách du lieu ngõ vào, thành phan test train train_X2 = transpose(X2(1:n_train,:)); % ngõ vào train test_X2 = transpose(X2((n_train+1):n,:)); % ngõ vào test train_Y2 = transpose(Y(1:n_train,:)); % ngõ train test_Y2 = transpose(Y((n_train+1):n,:)); % ngõ test % huan luyen BPNN voi he so speard 0.1 bpnn=newff(train_X2,train_Y2,[nh],{'tansig','purelin'},'trainbr'); [bpnn,tr] = train(bpnn,train_X2,train_Y2); % lay du dieu ngo ung voi du lieu ngo vao phan train va test su dung ham % grnn vua moi huan luyen test_K =round( sim(bpnn, train_X2)); test_P =round( sim(bpnn, test_X2)); if j == % TÍNH DO CHÍNH XÁC TEST 158 for k=1:1:n_test if (test_Y2(1,k)==test_P(1,k)) & (test_Y2(2,k)==test_P(2,k))& (test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& (test_Y2(5,k)==test_P(5,k)) C=C+1; end; end; CP_2 = (C*100)/n_test; % TÍNH DO CHÍNH XÁC TRAIN for k=1:1:n_train if(train_Y2(1,k)==test_K(1,k))&(train_Y2(2,k)==test_K(2,k))& (train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& (train_Y2(5,k)==test_K(5,k)) D=D+1; end; end; CK_2 = (D*100)/n_train; else % TÍNH DO CHÍNH XÁC TEST for k=1:1:n_test if (test_Y2(1,k)==test_P(1,k)) & (test_Y2(2,k)==test_P(2,k))& (test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& (test_Y2(5,k)==test_P(5,k)) C=C+1; end; end; CP1_2 = (C*100)/n_test; % TÍNH DO CHÍNH XÁC TRAIN for k=1:1:n_train if(train_Y2(1,k)==test_K(1,k))&(train_Y2(2,k)==test_K(2,k))& (train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& (train_Y2(5,k)==test_K(5,k)) D=D+1; end; end; CK1_2 = (D*100)/n_train; CP_2 = [CP_2,CP1_2]; % tong hop chinh xac testing cac bien khac CK_2 = [CK_2,CK1_2]; % tong hop chinh xac trainning cac bien khac end; j = j + 1; end; 159 end; % ve thi kiem tra chinh xac ung voi nhieu muc bien khac z=10:10:m; % thi test plot(z, CP_2, '-ob'); hold on % thi train plot(z, CK_2, '-^b'); %========================================================== =========================================================== ======== % INITIALIZE THE NEURAL NETWORK PROBLEM %================================== clc,clear load('Tonghop_dulieu_Nghia_1'); % inputs for the neural net % targets for the neural net % Tron du lieu =========================================================== = M =dulieu; r = randperm(size(M,1)); % permute row numbers Mout = M(r,:); X = (Mout(:,1:104)); Y = (Mout(:,105:109)); % =========================================================== ============== [n, m] = size(X); n_test=floor(0.15*n); % 15% test n_train=n - n_test; % 85% train j=0; % train nhieu so bien khac %========================================================== ================ for l= 10:10:m for nh=8 X1=[];X2=[]; train_X2= [ ]; test_X2= [ ]; train_Y2= [ ]; test_Y2= [ ]; C=0;D=0; 160 X1 = X(:,1:l); X2=zscore(X1); %chuan hoa % tách du lieu ngõ vào, thành phan test train train_X2 = transpose(X2(1:n_train,:)); % ngõ vào train test_X2 = transpose(X2((n_train+1):n,:)); % ngõ vào test train_Y2 = transpose(Y(1:n_train,:)); % ngõ train test_Y2 = transpose(Y((n_train+1):n,:)); % ngõ test % huan luyen BPNN voi he so speard 0.1 bpnn=newff(train_X2,train_Y2,[nh],{'tansig','purelin'},'trainscg'); [bpnn,tr] = train(bpnn,train_X2,train_Y2); % lay du dieu ngo ung voi du lieu ngo vao phan train va test su dung ham % grnn vua moi huan luyen test_K =round( sim(bpnn, train_X2)); test_P =round( sim(bpnn, test_X2)); if j == % TÍNH DO CHÍNH XÁC TEST for k=1:1:n_test if(test_Y2(1,k)==test_P(1,k))&(test_Y2(2,k)==test_P(2,k))& (test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& (test_Y2(5,k)==test_P(5,k)) C=C+1; end; end; CP_3 = (C*100)/n_test; % TÍNH DO CHÍNH XÁC TRAIN for k=1:1:n_train if (train_Y2(1,k)==test_K(1,k)) & (train_Y2(2,k)==test_K(2,k))& (train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& (train_Y2(5,k)==test_K(5,k)) D=D+1; end; end; CK_3 = (D*100)/n_train; else % TÍNH DO CHÍNH XÁC TEST for k=1:1:n_test if(test_Y2(1,k)==test_P(1,k))&(test_Y2(2,k)==test_P(2,k))& (test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& (test_Y2(5,k)==test_P(5,k)) C=C+1; end; end; 161 CP1_3 = (C*100)/n_test; % TÍNH DO CHÍNH XÁC TRAIN for k=1:1:n_train if(train_Y2(1,k)==test_K(1,k))&(train_Y2(2,k)==test_K(2,k))& (train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& (train_Y2(5,k)==test_K(5,k)) D=D+1; end; end; CK1_3 = (D*100)/n_train; CP_3 = [CP_3,CP1_3]; % tong hop chinh xac testing cac bien khac CK_3 = [CK_3,CK1_3]; % tong hop chinh xac trainning cac bien khac end; j = j + 1; end; end; % ve thi kiem tra chinh xac ung voi nhieu muc bien khac z=10:10:m; plot(z, CP_3, 'og'); hold on % thi train plot(z, CK_3, '-^g'); %========================================================== =========================================================== ========== % INITIALIZE THE NEURAL NETWORK PROBLEM %================================== clc,clear load('Tonghop_dulieu_Nghia_1'); % inputs for the neural net % targets for the neural net % Tron du lieu =========================================================== = M =dulieu; r = randperm(size(M,1)); % permute row numbers Mout = M(r,:); X = (Mout(:,1:104)); Y = (Mout(:,105:109)); % =========================================================== ============== 162 [n, m] = size(X); n_test=floor(0.15*n); % 15% test n_train=n - n_test; % 85% train j=0; % train nhieu so bien khac %========================================================== ================ for l= 10:10:m for nh=8 X1=[];X2=[]; train_X2= [ ]; test_X2= [ ]; train_Y2= [ ]; test_Y2= [ ]; C=0;D=0; X1 = X(:,1:l); X2=zscore(X1); %chuan hoa % tách du lieu ngõ vào, thành phan test train train_X2 = transpose(X2(1:n_train,:)); % ngõ vào train test_X2 = transpose(X2((n_train+1):n,:)); % ngõ vào test train_Y2 = transpose(Y(1:n_train,:)); % ngõ train test_Y2 = transpose(Y((n_train+1):n,:)); % ngõ test % huan luyen BPNN voi he so speard 0.1 bpnn=newff(train_X2,train_Y2,[nh],{'tansig','purelin'},'trainrp'); [bpnn,tr] = train(bpnn,train_X2,train_Y2); % lay du dieu ngo ung voi du lieu ngo vao phan train va test su dung ham % grnn vua moi huan luyen test_K =round( sim(bpnn, train_X2)); test_P =round( sim(bpnn, test_X2)); if j == % TÍNH DO CHÍNH XÁC TEST for k=1:1:n_test if(test_Y2(1,k)==test_P(1,k))&(test_Y2(2,k)==test_P(2,k))& (test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& (test_Y2(5,k)==test_P(5,k)) C=C+1; end; end; CP_4 = (C*100)/n_test; % TÍNH DO CHÍNH XÁC TRAIN for k=1:1:n_train 163 if (train_Y2(1,k)==test_K(1,k)) & (train_Y2(2,k)==test_K(2,k))& (train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& (train_Y2(5,k)==test_K(5,k)) D=D+1; end; end; CK_4 = (D*100)/n_train; else % TÍNH DO CHÍNH XÁC TEST for k=1:1:n_test if(test_Y2(1,k)==test_P(1,k))&(test_Y2(2,k)==test_P(2,k))& (test_Y2(3,k)==test_P(3,k))& (test_Y2(4,k)==test_P(4,k))& (test_Y2(5,k)==test_P(5,k)) C=C+1; end; end; CP1_4 = (C*100)/n_test; % TÍNH DO CHÍNH XÁC TRAIN for k=1:1:n_train if (train_Y2(1,k)==test_K(1,k)) & (train_Y2(2,k)==test_K(2,k))& (train_Y2(3,k)==test_K(3,k))& (train_Y2(4,k)==test_K(4,k))& (train_Y2(5,k)==test_K(5,k)) D=D+1; end; end; CK1_4 = (D*100)/n_train; CP_4 = [CP_4,CP1_4]; % tong hop chinh xac testing cac bien khac CK_4 = [CK_4,CK1_4]; % tong hop chinh xac trainning cac bien khac end; j = j + 1; end; end; % ve thi kiem tra chinh xac ung voi nhieu muc bien khac z=10:10:m; % thi test plot(z, CP_4, '-om'); hold on % thi train plot(z, CK_4, '-^m'); %========================================================== =========================================================== ============================ 164 ... số sau sa thải phụ tải phương pháp sa thải phụ tải đề xuất phương pháp sa thải phụ tải truyền thống 99 Hình 5.3: Góc lệch rotor sau sa thải phụ tải phương pháp sa thải phụ tải đề xuất phương. .. thuật sa thải phụ tải Các kỹ thuật sa thải phụ tải truyền thống UFLS sa thải phụ tải tần số UVLS sa thải phụ tải điện áp Các kỹ thuật sa thải Các kỹ thuật sa thải phụ tải thích nghi phụ tải thông... số phương pháp sa thải phụ tải dựa PED phương pháp sa thải phụ tải dựa VED 106 Hình 5.10: So sánh góc lệch rotor phục hồi phương pháp sa thải phụ tải dựa PED phương pháp sa thải phụ tải